用R语言把数据玩出花样

2022-6-12 萌小白

作者：张丹，R语言中文社区专栏特邀作者，《R的极客理想》系列图书作者，民生银行大数据中心数据分析师，前况客创始人兼CTO。

个人博客 http://fens.me， Alexa全球排名70k。

前言

作为数据分析师，每天都有大量的数据需要处理，我们会根据业务的要求做各种复杂的报表，包括了分组、排序、过滤、转置、差分、填充、移动、合并、分裂、分布、去重、找重、填充等等的操作。

有时为了计算一个业务指标，你的SQL怎么写都不会少于10行时，另外你可能也会抱怨Excel功能不够强大，这个时候R语言绝对是不二的选择了。用R语言可以高效地、优雅地解决数据处理的问题，让R来帮你打开面向数据的思维模式。

为什么要用R语言做数据处理？

数据处理基础

个性化的数据变换需求

1. 为什么要用R语言做数据处理？

R语言是非常适合做数据处理的编程语言，因为R语言的设计理念，就是面向数据的，为了解决数据问题。读完本文，相信你就能明白，什么是面向数据的设计了。

一个BI工程师每天的任务，都是非常繁琐的数据处理，如果用Java来做简直就是折磨，但是换成R语言来做，你会找到乐趣的。

当接到一个数据处理的任务后，我们可以把任务拆解为很多小的操作，包括了分组、排序、过滤、转置、差分、填充、移动、合并、分裂、分布、去重、找重等等的操作。对于实际应用的复杂的操作来说，就是把这些小的零碎的操作，拼装起来就好了。

在开始之前，我们要先了解一下R语言支持的数据类型，以及这些常用类型的特点。对于BI的数据处理的工作来说，可能有4种类型是最常用的，分别是向量、矩阵、数据框、时间序列。

向量 Vector : c()

矩阵 Matrix: matrix()

数据框 DataFrame: data.frame()

时间序列 XTS: xts()

我主要是用R语言来做量化投资，很多的时候，都是和时间序列类型数据打交道，所以我把时间序列，也定义为R语言最常用的数据处理的类型。时间序列类型，使用的是第三方包xts中定义的类型。

2. 数据处理基础

本机的系统环境：

Win10 64bit

R: version 3.2.3 64bit

2.1 创建一个数据集

创建一个向量数据集。

> x<-1:20;x [1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

创建一个矩阵数据集。

> m<-matrix(1:40,ncol=5);m [,1] [,2] [,3] [,4] [,5][1,]19 17 25
33[2,]2 10 18 26 34[3,]3 11 19 27 35[4,]4 12 20 28 36[5,]5 13 21 29
37[6,]6 14 22 30 38[7,]7 15 23 31 39[8,]8 16 24 32 40

创建一个数据框数据集。

> df<-data.frame(a=1:5,b=c('A','A','B','B','A'),c=rnorm(5));df a
b c1 1 A 1.15191182 2 A 0.99216043 3 B -0.42951314 4 B 1.23830415 5 A
-0.2793463

创建一个时间序列数据集，时间序列使用的第三方的xts类型。关于xts类型的详细介绍，请参考文章可扩展的时间序列xts。

> library(xts)>
xts(1:10,order.by=as.Date('2017-01-01')+1:10) [,1]2017-01-02 12017-01-03
22017-01-04 32017-01-05 42017-01-06 52017-01-07 62017-01-08 72017-01-09
82017-01-10 92017-01-11 10

2.2 查看数据概况

通常进行数据分析的第一步是，查看一下数据的概况信息，在R语言里可以使用summary()函数来完成。

# 查看矩阵数据集的概况>
m<-matrix(1:40,ncol=5)> summary(m) V1 V2 V3 V4 V5 Min. :1.00 Min. :
9.00 Min. :17.00 Min. :25.00 Min. :33.00 1st Qu.:2.75 1st Qu.:10.75 1st
Qu.:18.75 1st Qu.:26.75 1st Qu.:34.75 Median :4.50 Median :12.50 Median
:20.50 Median :28.50 Median :36.50 Mean :4.50 Mean :12.50 Mean :20.50
Mean :28.50 Mean :36.50 3rd Qu.:6.25 3rd Qu.:14.25 3rd Qu.:22.25 3rd
Qu.:30.25 3rd Qu.:38.25 Max. :8.00 Max. :16.00 Max. :24.00 Max. :32.00
Max. :40.00 # 查看数据框数据集的概况信息>
df<-data.frame(a=1:5,b=c('A','A','B','B','A'),c=rnorm(5))>
summary(df) a b c Min. :1 A:3 Min. :-1.5638 1st Qu.:2 B:2 1st
Qu.:-1.0656 Median :3 Median :-0.2273 Mean :3 Mean :-0.1736 3rd Qu.:4
3rd Qu.: 0.8320 Max. :5 Max. : 1.1565

通过查看概况，可以帮助我们简单了解数据的一些统计特征。

2.3 数据合并

我们经常需要对于数据集，进行合并操作，让数据集满足处理的需求。对于不同类型的数据集，有不同的处理方法。

向量类型

> x<-1:5> y<-11:15> c(x,y) [1] 1 2 3 4 5 11 12 13 14 15

数据框类型的合并操作。

>
df<-data.frame(a=1:5,b=c('A','A','B','B','A'),c=rnorm(5));df a b c1 1
A 1.15191182 2 A 0.99216043 3 B -0.42951314 4 B 1.23830415 5 A
-0.2793463# 合并新行> rbind(df,c(11,'A',222)) a b c1 1 A 1.15191175408722
2 A 0.9921603654457983 3 B -0.4295131094918814 4 B 1.238304100853385 5 A
-0.2793462818542696 11 A 222# 合并新列> cbind(df,x=LETTERS[1:5]) a b c
x1 1 A 1.1519118 A2 2 A 0.9921604 B3 3 B -0.4295131 C4 4 B 1.2383041 D5 5
A -0.2793463 E# 合并新列> merge(df,LETTERS[3:5]) a b c y1 1 A 1.1519118
C2 2 A 0.9921604 C3 3 B -0.4295131 C4 4 B 1.2383041 C5 5 A -0.2793463 C6
1 A 1.1519118 D7 2 A 0.9921604 D8 3 B -0.4295131 D9 4 B 1.2383041 D10 5
A -0.2793463 D11 1 A 1.1519118 E12 2 A 0.9921604 E13 3 B -0.4295131 E14
4 B 1.2383041 E15 5 A -0.2793463 E

2.4 累计计算

累计计算，是很常用的一种计算方法，就是把每个数值型的数据，累计求和或累计求积，从而反应数据的增长的一种特征。

# 向量x> x<-1:10;x [1] 1 2 3 4 5 6
7 8 9 10# 累计求和> cum_sum<-cumsum(x)# 累计求积>
cum_prod<-cumprod(x)# 拼接成data.frame>
data.frame(x,cum_sum,cum_prod) x cum_sum cum_prod1 1 1 12 2 3 23 3 6 64 4
10 245 5 15 1206 6 21 7207 7 28 50408 8 36 403209 9 45 36288010 10 55
3628800

我们通常用累计计算，记录中间每一步的过程，看到的数据处理过程的特征。

2.5 差分计算

差分计算，是用向量的后一项减去前一项，所获得的差值，差分的结果反映了离散量之间的一种变化。

> x<-1:10;x [1] 1 2 3 4 5 6 7 8 9 10# 计算1阶差分> diff(x)[1] 1 1
1 1 1 1 1 1 1# 计算2阶差分> diff(x,2)[1] 2 2 2 2 2 2 2 2# 计算2阶差分，迭代2次>
diff(x,2,2)[1] 0 0 0 0 0 0

下面做一个稍微复杂一点的例子，通过差分来发现数据的规律。

# 对向量2次累积求和> x <-
cumsum(cumsum(1:10));x [1] 1 4 10 20 35 56 84 120 165 220# 计算2阶差分>
diff(x, lag = 2)[1] 9 16 25 36 49 64 81 100# 计算1阶差分，迭代2次> diff(x,
differences = 2)[1] 3 4 5 6 7 8 9 10# 同上> diff(diff(x))[1] 3 4 5 6 7 8
9 10

差分其实是很常见数据的操作，但这种操作是SQL很难表达的，所以可能会被大家所忽视。

2.6 分组计算

分组是SQL中，支持的一种数据变换的操作，对应于group by的语法。

比如，我们写一个例子。创建一个数据框有a,b,c的3列，其中a,c列为数值型，b列为字符串，我们以b列分组，求出a列与c的均值。

# 创建数据框>
df<-data.frame(a=1:5,b=c('A','A','B','B','A'),c=rnorm(5));df a b c1 1
A 1.285054182 2 A -0.046872633 3 B 0.253835334 4 B 0.701457875 5 A
-0.11470372# 执行分组操作> aggregate(. ~ b, data = df, mean) b a c1 A
2.666667 0.37449262 B 3.500000 0.4776466

同样的数据集，以b列分组，对a列求和，对c列求均值。当对不同列，进行不同的操作时，我们同时也需要换其他函数来处理。

# 加载plyr库> library(plyr)# 执行分组操作> ddply(df,.(b),summarise,+
sum_a=sum(a),+ mean_c=mean(c)) b sum_a mean_c1 A 8 -0.055147612 B 7
0.82301276

生成的结果，就是按b列进行分组后，a列求和，c列求均值。

2.7 分裂计算

分裂计算，是把一个向量按照一列规则，拆分成多个向量的操作。

如果你想把1:10的向量，按照单双数，拆分成2个向量。

> split(1:10, 1:2)$`1`[1] 1 3 5 7 9$`2`[1] 2 4 6 8 10

另外，可以用因子类型来控制分裂。分成2步操作，第一步先分成与数据集同样长度的因子，第二步进行分裂，可以把一个大的向量拆分成多个小的向量。

# 生成因子规则> n <- 3; size <-
5> fat <- factor(round(n * runif(n * size)));fat [1] 2 3 2 1 1 0 0
2 0 1 2 3 1 1 1Levels: 0 1 2 3# 生成数据向量> x <- rnorm(n * size);x
[1] 0.68973936 0.02800216 -0.74327321 0.18879230 -1.80495863 1.46555486
0.15325334 2.17261167 0.47550953[10] -0.70994643 0.61072635 -0.93409763
-1.25363340 0.29144624 -0.44329187# 对向量以因子的规则进行拆分> split(x,
fat)$`0`[1] 1.4655549 0.1532533 0.4755095$`1`[1] 0.1887923 -1.8049586
-0.7099464 -1.2536334 0.2914462 -0.4432919$`2`[1] 0.6897394 -0.7432732
2.1726117 0.6107264$`3`[1] 0.02800216 -0.93409763

这种操作可以非常有效地，对数据集进行分类整理，比if..else的操作，有本质上的提升。

2.8 排序

排序是所有数据操作中，最常见一种需求了。在R语言中，你可以很方便的使用排序的功能，并不用考虑时间复杂度与空间复杂度的问题，除非你自己非要用for循环来实现。

对向量进行排序。

# 生成一个乱序的向量> x<-sample(1:10);x [1] 6 2 5 1 9 10 8 3 7 4# 对向量排序 > x[order(x)] [1] 1 2 3 4 5 6 7 8 9 10

以数据框某一列进行排序。

>
df<-data.frame(a=1:5,b=c('A','A','B','B','A'),c=rnorm(5));df a b c1 1
A 1.17808702 2 A -1.52356683 3 B 0.59394624 4 B 0.33295045 5 A
1.0630998# 自定义排序函数 > order_df<-function(df,col,decreasing=FALSE){+
df[order(df[,c(col)],decreasing=decreasing),]+ }# 以c列倒序排序>
order_df(df,'c',decreasing=TRUE) a b c1 1 A 1.17808705 5 A 1.06309983 3 B
0.59394624 4 B 0.33295042 2 A -1.5235668

排序的操作，大多都是基于索引来完成的，用order()函数来生成索引，再匹配的数据的数值上面。

2.9 去重与找重

去重，是把向量中重复的元素过滤掉。找重，是把向量中重复的元素找出来。

> x<-c(3:6,5:8);x[1] 3 4 5 6 5 6
7 8# 去掉重复元素> unique(x)[1] 3 4 5 6 7 8# 找到重复元素，索引位置>
duplicated(x)[1] FALSE FALSE FALSE FALSE TRUE TRUE FALSE FALSE#
找到重复元素> x[duplicated(x)][1] 5 6

2.10 转置

转置是一个数学名词，把行和列进行互换，一般用于对矩阵的操作。

# 创建一个3行5列的矩阵>
m<-matrix(1:15,ncol=5);m [,1] [,2] [,3] [,4] [,5][1,] 1 4 7 10 13[2,]
2 5 8 11 14[3,] 3 6 9 12 15# 转置后，变成5行3列的矩阵> t(m) [,1] [,2] [,3][1,] 1
2 3[2,] 4 5 6[3,] 7 8 9[4,] 10 11 12[5,] 13 14 15

2.11 过滤

过滤，是对数据集按照某种规则进行筛选，去掉不符合条件的数据，保留符合条件的数据。对于NA值的操作，主要都集中在了过滤操作和填充操作中，因此就不在单独介绍NA值的处理了。

# 生成数据框>
df<-data.frame(a=c(1,NA,NA,2,NA),+ b=c('B','A','B','B',NA),+
c=c(rnorm(2),NA,NA,NA));df a b c1 1 B -0.30418392 NA A 0.37001883 NA B
NA4 2 B NA5 NA <NA> NA# 过滤有NA行的数据> na.omit(df) a b c1 1 B
-0.3041839# 过滤，保留b列值为B的数据> df[which(df$b=='B'),] a b c1 1 B
-0.30418393 NA B NA4 2 B NA

过滤，类似与SQL语句中的 WHERE 条件语句，如果你用100个以上的过滤条件，那么你的程序就会比较复杂了，最好想办法用一些巧妙的函数或者设计模式，来替换这些过滤条件。

2.12 填充

填充，是一个比较有意思的操作，你的原始数据有可能会有缺失值NA，在做各种计算时，就会出现有问题。一种方法是，你把NA值都去掉；另外一种方法是，你把NA值进行填充后再计算。那么在填充值时，就有一些讲究了。

把NA值进行填充。

# 生成数据框>
df<-data.frame(a=c(1,NA,NA,2,NA),+ b=c('B','A','B','B',NA),+
c=c(rnorm(2),NA,NA,NA));df a b c1 1 B 0.26709882 NA A -0.54252003 NA B
NA4 2 B NA5 NA <NA> NA# 把数据框a列的NA，用9进行填充> na.fill(df$a,9)[1] 1 9
9 2 9# 把数据框中的NA，用1进行填充> na.fill(df,1) a b c [1,] " 1" "B" "
0.2670988"[2,] "TRUE" "A" "-0.5425200"[3,] "TRUE" "B" "TRUE" [4,] " 2"
"B" "TRUE" [5,] "TRUE" "TRUE" "TRUE"

填充时，有时并不是用某个固定的值，而是需要基于某种规则去填充。

# 生成一个zoo类型的数据> z <- zoo(c(2,
NA, 1, 4, 5, 2), c(1, 3, 4, 6, 7, 8));z 1 3 4 6 7 8 2 NA 1 4 5 2 #
对NA进行线性插值> na.approx(z) 1 3 4 6 7 8 2.000000 1.333333 1.000000
4.000000 5.000000 2.000000 # 对NA进行线性插值> na.approx(z, 1:6) 1 3 4 6 7 8
2.0 1.5 1.0 4.0 5.0 2.0 # 对NA进行样条插值> na.spline(z) 1 3 4 6 7 8
2.0000000 0.1535948 1.0000000 4.0000000 5.0000000 2.0000000

另外，我们可以针对NA的位置进行填充，比如用前值来填充或后值来填充。

> df a b c1 1 B 0.26709882 NA A
-0.54252003 NA B NA4 2 B NA5 NA <NA> NA# 用当前列中，NA的前值来填充>
na.locf(df) a b c1 1 B 0.26709882 1 A -0.54252003 1 B -0.54252004 2 B
-0.54252005 2 B -0.5425200# 用当前列中，NA的后值来填充> na.locf(df,fromLast=TRUE)
a b c1 1 B 0.26709882 2 A -0.54252003 2 B <NA>4 2 B <NA>

2.13 计数

计数，是统计同一个值出现的次数。

# 生成30个随机数的向量> set.seed(0)>
x<-round(rnorm(30)*5);x [1] 6 -2 7 6 2 -8 -5 -1 0 12 4 -4 -6 -1 -1 -2
1 -4 2 -6 -1 2 1 4 0 3 5 -3 -6 0# 统计每个值出现的次数> table(x)x-8 -6 -5 -4
-3 -2 -1 0 1 2 3 4 5 6 7 12 1 3 1 2 1 2 4 3 2 3 1 2 1 2 1 1

用直方图画出。

> hist(x,xlim = c(-10,13),breaks=20)

2.14 统计分布

统计分布，是用来判断数据是否是满足某种统计学分布，如果能够验证了，那么我们就可以用到这种分布的特性来理解我们的数据集的情况了。常见的连续型的统计分布有9种，其中最常用的就是正态分布的假设。

runif() :均匀分布

rnorm() :正态分布

rexp() :指数分布

rgamma() :伽马分布

rweibull() :韦伯分布

rchisq() :卡方分布

rf() :F分布

rt() :T分布

rbeta() :贝塔分布

统计模型定义的回归模型，就是基于正态分布的做的数据假设，如果残差满足正态分布，模型的指标再漂亮都是假的。如果你想进一步了解回归模型，请参考文章R语言解读一元线性回归模型。

下面用正态分布，来举例说明一下。假设我们有一组数据，是人的身高信息，我们知道平均身高是170cm，然后我们算一下，这组身高数据是否满足正态分布。

# 生成身高数据> set.seed(1)>
x<-round(rnorm(100,170,10))> head(x,20) [1] 164 172 162 186 173
162 175 177 176 167 185 174 164 148 181 170 170 179 178 176# 画出散点图 >
plot(x)

通过散点图来观察，发现数据是没有任何规律。接下来，我们进行正态分布的检验，Shapiro-Wilk进行正态分布检验。

> shapiro.test(x) Shapiro-Wilk normality testdata: xW = 0.99409, p-value = 0.9444

该检验原假设为H0:数据集符合正态分布，统计量W为。统计量W的最大值是1，越接近1，表示样本与正态分布越匹配。p值，如果p-value小于显著性水平α(0.05)，则拒绝H0。检验结论:
W接近1，p-value>0.05，不能拒绝原假设，所以数据集S符合正态分布！

同时，我们也可以用QQ图，来做正态分布的检验。

> qqnorm(x)> qqline(x,col='red')

图中，散点均匀的分布在对角线，则说明这组数据符合正态分布。

为了，更直观地对正态分布的数据进行观察，我们可以用上文中计数操作时，使用的直方图进行观察。

> hist(x,breaks=10)

通过计数的方法，发现数据形状如钟型，中间高两边低，中间部分的数量占了95%，这就是正态的特征。当判断出，数据是符合正态分布后，那么才具备了可以使用一些的模型的基础。

2.15 数值分段

数值分段，就是把一个连续型的数值型数据，按区间分割为因子类型的离散型数据。

> x<-1:10;x [1] 1 2 3 4 5 6 7 8 9
10# 把向量转换为3段因子，分别列出每个值对应因子> cut(x, 3) [1] (0.991,4] (0.991,4]
(0.991,4] (0.991,4] (4,7] (4,7] (4,7] (7,10] (7,10] (7,10] Levels:
(0.991,4] (4,7] (7,10]# 对因子保留2位精度，并支持排序> cut(x, 3, dig.lab = 2,
ordered = TRUE) [1] (0.99,4] (0.99,4] (0.99,4] (0.99,4] (4,7] (4,7]
(4,7] (7,10] (7,10] (7,10]

2.16 集合操作

集合操作，是对2个向量的操作，处理2个向量之间的数值的关系，找到包含关系、取交集、并集、差集等。

# 定义2个向量x,y> x<-c(3:8,NA);x[1] 3
4 5 6 7 8 NA> y<-c(NA,6:10,NA);y[1] NA 6 7 8 9 10 NA#
判断x与y重复的元素的位置> is.element(x, y)[1] FALSE FALSE FALSE TRUE TRUE TRUE
TRUE# 判断y与x重复的元素的位置> is.element(y, x)[1] TRUE TRUE TRUE TRUE FALSE
FALSE TRUE# 取并集> union(x, y)[1] 3 4 5 6 7 8 NA 9 10# 取交集>
intersect(x, y)[1] 6 7 8 NA# 取x有，y没有元素> setdiff(x, y)[1] 3 4 5#
取y有，x没有元素> setdiff(y, x)[1] 9 10# 判断2个向量是否相等> setequal(x, y)[1]
FALSE

2.17 移动窗口

移动窗口，是用来按时间周期观察数据的一种方法。移动平均，就是一种移动窗口的最常见的应用了。

在R语言的的TTR包中，支持多种的移动窗口的计算。

runMean(x) :移动均值

runSum(x) :移动求和

runSD(x) :移动标准差

runVar(x) :移动方差

runCor(x,y) :移动相关系数

runCov(x,y) :移动协方差

runMax(x) :移动最大值

runMin(x) :移动最小值

runMedian(x):移动中位数

下面我们用移动平均来举例说明一下，移动平均在股票交易使用的非常普遍，是最基础的趋势判断的根踪指标了。

# 生成50个随机数> set.seed(0)>
x<-round(rnorm(50)*10);head(x,10) [1] 13 -3 13 13 4 -15 -9 -3 0 24#
加载TTR包> library(TTR)# 计算周期为3的移动平均值> m3<-SMA(x,3);head(m3,10)
[1] NA NA 7.6666667 7.6666667 10.0000000 0.6666667 -6.6666667 -9.0000000
-4.0000000[10] 7.0000000# 计算周期为5的移动平均值> m5<-SMA(x,5);head(m5,10)
[1] NA NA NA NA 8.0 2.4 1.2 -2.0 -4.6 -0.6

当计算周期为3的移动平均值时，结果的前2个值是NA，计算的算法是

(第一个值 + 第二个值 + 第三个值) /3 = 第三个值的移动平均值(13 + -3 + 13) /3 = 7.6666667

画出图形

> plot(x,type='l')> lines(m3,col='blue')> lines(m5,col='red')

图中黑色线是原始数据，蓝色线是周期为3的移动平均值，红色线是周期为5的移动平均值。这3个线中，周期越大的越平滑，红色线波动是最小的，趋势性是越明显的。

2.18 时间对齐

时间对齐，是在处理时间序列类型时常用到的操作。我们在做金融量化分析时，经常遇到时间不齐的情况，比如某支股票交易很活跃，每一秒都有交易，而其他不太活跃的股票，可能1分钟才有一笔交易，当我们要同时分析这2只股票的时候，就需要把他们的交易时间进行对齐。

# 生成数据，每秒一个值>
a<-as.POSIXct("2017-01-01 10:00:00")+0:300# 生成数据，每59秒一个值>
b<-as.POSIXct("2017-01-01 10:00")+seq(1,300,59)# 打印a> head(a,10)
[1] "2017-01-01 10:00:00 CST" "2017-01-01 10:00:01 CST" "2017-01-01
10:00:02 CST" "2017-01-01 10:00:03 CST" [5] "2017-01-01 10:00:04 CST"
"2017-01-01 10:00:05 CST" "2017-01-01 10:00:06 CST" "2017-01-01 10:00:07
CST" [9] "2017-01-01 10:00:08 CST" "2017-01-01 10:00:09 CST"# 打印b >
head(b,10)[1] "2017-01-01 10:00:01 CST" "2017-01-01 10:01:00 CST"
"2017-01-01 10:01:59 CST" "2017-01-01 10:02:58 CST"[5] "2017-01-01
10:03:57 CST" "2017-01-01 10:04:56 CST"

按分钟进行对齐，把时间都对齐到分钟线上。

# 按分钟对齐> a1<-align.time(a,
1*60)> b1<-align.time(b, 1*60)# 查看对齐后的结果> head(a1,10) [1]
"2017-01-01 10:01:00 CST" "2017-01-01 10:01:00 CST" "2017-01-01 10:01:00
CST" "2017-01-01 10:01:00 CST" [5] "2017-01-01 10:01:00 CST"
"2017-01-01 10:01:00 CST" "2017-01-01 10:01:00 CST" "2017-01-01 10:01:00
CST" [9] "2017-01-01 10:01:00 CST" "2017-01-01 10:01:00 CST">
head(b1,10)[1] "2017-01-01 10:01:00 CST" "2017-01-01 10:02:00 CST"
"2017-01-01 10:02:00 CST" "2017-01-01 10:03:00 CST"[5] "2017-01-01
10:04:00 CST" "2017-01-01 10:05:00 CST"

由于a1数据集，每分钟有多条数据，取每分钟的最后一条代表这分钟就行。

> a1[endpoints(a1,'minutes')][1]
"2017-01-01 10:01:00 CST" "2017-01-01 10:02:00 CST" "2017-01-01 10:03:00
CST" "2017-01-01 10:04:00 CST"[5] "2017-01-01 10:05:00 CST" "2017-01-01
10:06:00 CST"

这样子就完成了时间对齐，把不同时间的数据放到都一个维度中了。

3. 个性化的数据变换需求

我们上面已经介绍了，很多种的R语言数据处理的方法，大多都是基于R语言内置的函数或第三方包来完成的。在实际的工作中，实际还有再多的操作，完全是各性化的。

3.1 过滤数据框中，列数据全部为空的列

空值，通常都会给我们做数值计算，带来很多麻烦。有时候一列的数据都是空时，我们需要先把这一个过滤掉，再进行数据处理。

用R语言程序进行实现

#
判断哪列的值都是NAna_col_del_df<-function(df){
df[,which(!apply(df,2,function(x) all(is.na(x))))] } # 生成一个数据集>
df<-data.frame(a=c(1,NA,2,4),b=rep(NA,4),c=1:4);df a b c1 1 NA 12 NA
NA 23 2 NA 34 4 NA 4# 保留非NA的列> na_col_del_df(df) a c1 1 12 NA 23 2 34
4 4

3.2 替换数据框中某个区域的数据

我们想替换数据框中某个区域的数据，那么应该怎么做呢？

找到第一个数据框中，与第二个数据框中匹配的行的值作为条件，然后替换这一行的其他指定列的值。

>
replace_df<-function(df1,df2,keys,vals){+
row1<-which(apply(mapply(match,df1[,keys],df2[,keys])>0,1,all))+
row2<-which(apply(mapply(match,df2[,keys],df1[,keys])>0,1,all))+
df1[row1,vals]<-df2[row2,vals]+ return(df1)+ }# 第一个数据框 >
df1<-data.frame(A=c(1,2,3,4),B=c('a','b','c','d'),C=c(0,4,0,4),D=1:4);df1
A B C D1 1 a 0 12 2 b 4 23 3 c 0 34 4 d 4 4# 第二个数据框 >
df2<-data.frame(A=c(1,3),B=c('a','c'),C=c(9,9),D=rep(8,2));df2 A B C
D1 1 a 9 82 3 c 9 8# 定义匹配条件列 > keys=c("A","B")# 定义替换的列>
vals=c("C","D")# 数据替换> replace_df(df1,df2,keys,vals) A B C D1 1 a 9
82 2 b 4 23 3 c 9 84 4 d 4 4

其实不管R语言中，各种内置的功能函数有多少，自己做在数据处理的时候，都要自己构建很多DIY的函数。

3.3 长表和宽表变换

长宽其实是一种类对于标准表格形状的描述，长表变宽表，是把一个行数很多的表，让其行数减少，列数增加，宽表变长表，是把一个表格列数减少行数增加。

长表变宽表，指定program列不动，用fun列的每一行，生成新的列，再用time列的每个值进行填充。

# 创建数据框> df<-data.frame(+
program=rep(c('R','Java','PHP','Python'),3),+
fun=rep(c('fun1','fun2','fun3'),each = 4),+
time=round(rnorm(12,10,3),2)+ );df program fun time1 R fun1 10.912 Java
fun1 6.593 PHP fun1 9.264 Python fun1 11.175 R fun2 12.276 Java fun2
6.617 PHP fun2 7.288 Python fun2 9.399 R fun3 9.2210 Java fun3 11.2011
PHP fun3 13.4012 Python fun3 10.67# 加载reshape2库> library(reshape2)#
长表变宽表> wide <-
reshape(df,v.names="time",idvar="program",timevar="fun",direction =
"wide");wide program time.fun1 time.fun2 time.fun31 R 10.91 12.27 9.222
Java 6.59 6.61 11.203 PHP 9.26 7.28 13.404 Python 11.17 9.39 10.67

接下来，进行反正操作，把宽表再转换为长表，还是使用reshape()函数。

# 宽表变为长表> reshape(wide, direction =
"long") program fun timeR.fun1 R fun1 8.31Java.fun1 Java fun1
8.45PHP.fun1 PHP fun1 10.49Python.fun1 Python fun1 10.45R.fun2 R fun2
8.72Java.fun2 Java fun2 4.15PHP.fun2 PHP fun2 11.47Python.fun2 Python
fun2 13.25R.fun3 R fun3 10.10Java.fun3 Java fun3 13.86PHP.fun3 PHP fun3
9.96Python.fun3 Python fun3 14.64

我们在宽表转换为长表时，可以指定想转换部分列，而不是所有列，这样就需要增加一个参数进行控制。比如，只变换time.fun2，time.fun3列到长表，而不变换time.fun1列。

> reshape(wide, direction = "long",
varying =3:4) program time.fun1 time id1.fun2 R 8.31 8.72 12.fun2 Java
8.45 4.15 23.fun2 PHP 10.49 11.47 34.fun2 Python 10.45 13.25 41.fun3 R
8.31 10.10 12.fun3 Java 8.45 13.86 23.fun3 PHP 10.49 9.96 34.fun3 Python
10.45 14.64 4

这样子的转换变形，是非常有利于我们从多角度来看数据的。

3.4 融化

融化，用于把以列进行分组的数据，转型为按行存储，对应数据表设计的概念为，属性表设计。

我们设计一下标准的二维表结构，然后按属性表的方式进行转换。

# 构建数据集> df<-data.frame(+
id=1:10,+ x1=rnorm(10),+ x2=runif(10,0,1)+ );df id x1 x21 1 1.78375335
0.6399334732 2 0.26424700 0.2502908453 3 -1.83138689 0.9638612364 4
-1.77029220 0.4510044655 5 -0.92149552 0.3226212176 6 0.88499153
0.6979542267 7 0.68905343 0.0020451458 8 1.35269693 0.7657772209 9
0.03673819 0.90881764610 10 0.49682503 0.413977373# 融合，以id列为固定列>
melt(df, id="id") id variable value1 1 x1 1.7837533462 2 x1 0.2642470033
3 x1 -1.8313868874 4 x1 -1.7702922025 5 x1 -0.9214955176 6 x1
0.8849915297 7 x1 0.6890534308 8 x1 1.3526969349 9 x1 0.03673818710 10
x1 0.49682503111 1 x2 0.63993347312 2 x2 0.25029084513 3 x2
0.96386123614 4 x2 0.45100446515 5 x2 0.32262121716 6 x2 0.69795422617 7
x2 0.00204514518 8 x2 0.76577722019 9 x2 0.90881764620 10 x2
0.413977373

这个操作其实在使用ggplot2包画图时，会被经常用到。因为ggplot2做可视化时画多条曲线时，要求的输入的数据格式必须时属性表的格式。

3.5 周期分割

周期分割，是基于时间序列类型数据的处理。比如黄金的交易，你可以用1天为周期来观察，也可以用的1小时为周期来观察，也可以用1分钟为周期来看。

下面我们尝试先生成交易数据，再对交易数据进行周期的分割。本例仅为周期分割操作的示范，数据为随机生成的，请不要对数据的真实性较真。

# 加载xts包> library(xts)#
定义生成每日交易数据函数> newTick<-function(date='2017-01-01',n=30){+
newDate<-paste(date,'10:00:00')+
xts(round(rnorm(n,10,2),2),order.by=as.POSIXct(newDate)+seq(0,(n-1)*60,60))+
}

假设我们要生成1年的交易数据，先产生1年的日期向量，然后循环生成每日的数据。

# 设置交易日期>
dates<-as.Date("2017-01-01")+seq(0,360,1)> head(dates)[1]
"2017-01-01" "2017-01-02" "2017-01-03" "2017-01-04" "2017-01-05"
"2017-01-06"# 生成交易数据> xs<-lapply(dates,function(date){+
newTick(date)+ })# 查看数据静态结构> str(head(xs,2))List of 2 $ :An ‘xts’
object on 2017-01-01 10:00:00/2017-01-01 10:29:00 containing: Data: num
[1:30, 1] 9.98 9.2 10.21 9.08 7.82 ... Indexed by objects of class:
[POSIXct,POSIXt] TZ: xts Attributes: NULL $ :An ‘xts’ object on
2017-01-02 10:00:00/2017-01-02 10:29:00 containing: Data: num [1:30, 1]
9.41 13.15 6.07 10.12 10.37 ... Indexed by objects of class:
[POSIXct,POSIXt] TZ: xts Attributes: NULL# 转型为xts类型 >
df<-do.call(rbind.data.frame, xs)> xdf<-as.xts(df)>
head(xdf) V12017-01-01 10:00:00 9.982017-01-01 10:01:00 9.202017-01-01
10:02:00 10.212017-01-01 10:03:00 9.082017-01-01 10:04:00 7.822017-01-01
10:05:00 10.47

现在有了数据，那么我们可以对数据日期，按周期的分割了，从而生成开盘价、最高价、最低价、收盘价。这里一样会用到xts包的函数。

# 按日进行分割，对应高开低收的价格>
d1<-to.period(xdf,period='days');head(d1) xdf.Open xdf.High xdf.Low
xdf.Close2017-01-01 10:29:00 9.98 13.74 5.35 13.342017-01-02 10:29:00
9.41 13.54 6.07 9.762017-01-03 10:29:00 12.11 13.91 7.16 10.752017-01-04
10:29:00 10.43 14.02 6.31 12.102017-01-05 10:29:00 11.51 13.97 6.67
13.972017-01-06 10:29:00 10.57 12.81 4.30 5.16# 按月进行分割>
m1<-to.period(xdf,period='months');m1 xdf.Open xdf.High xdf.Low
xdf.Close2017-01-31 10:29:00 9.98 16.40 3.85 10.142017-02-28 10:29:00
8.25 16.82 4.17 11.762017-03-31 10:29:00 10.55 15.54 2.77 9.612017-04-30
10:29:00 9.40 16.13 3.84 11.772017-05-31 10:29:00 13.79 16.74 3.97
10.252017-06-30 10:29:00 9.29 16.15 4.38 7.922017-07-31 10:29:00 5.39
16.09 4.55 9.882017-08-31 10:29:00 5.76 16.34 3.27 10.862017-09-30
10:29:00 9.56 16.40 3.58 10.092017-10-31 10:29:00 8.64 15.50 3.23
10.262017-11-30 10:29:00 9.20 15.38 3.00 10.922017-12-27 10:29:00 6.99
16.22 3.87 8.87# 按7日进行分割>
d7<-to.period(xdf,period='days',k=7);head(d7) xdf.Open xdf.High
xdf.Low xdf.Close2017-01-07 10:29:00 9.98 15.54 4.30 10.422017-01-14
10:29:00 11.38 14.76 5.74 9.172017-01-21 10:29:00 9.57 16.40 3.85
11.912017-01-28 10:29:00 10.51 14.08 4.66 10.972017-02-04 10:29:00 10.43
16.69 4.53 6.092017-02-11 10:29:00 11.98 15.23 5.04 11.57

最后，通过可视化把不同周期的收盘价，画到一个图中。

> plot(d1$xdf.Close)> lines(d7$xdf.Close,col='red',lwd=2)> lines(m1$xdf.Close,col='blue',lwd=2)

从图中，可以看出切换为不同的周期，看到的形状是完全不一样的。黑色线表示以日为周期的，红色线表示以7日为周期的，蓝色线表示以月为周期的。

从本文的介绍来看，要做好数据处理是相当不容易的。你要知道数据是什么样的，业务逻辑是什么，怎么写程序以及数据变形，最后怎么进行BI展示，表达出正确的分析维度。试试R语言，忘掉程序员的思维，换成数据的思维，也许繁琐的数据处理工作会让你开心起来。

本文所介绍的数据处理的方法，及个性化的功能函数，我已经发布为一个github的开源项目，项目地址为：https://github.com/bsspirit/RTransform 欢迎大家试用，共同完善。

发表评论：